DiscreteCQLLoss

class torchrl.objectives.DiscreteCQLLoss(*args, **kwargs)

TorchRL 对离散 CQL 损失的实现。

此类实现了离散保守 Q 学习 (CQL) 损失函数，如论文“用于离线强化学习的保守 Q 学习”(https://arxiv.org/abs/2006.04779) 中所述。

参数：

value_network (Union[QValueActor, nn.Module]) – 用于估计状态-动作值的 Q 值网络。

关键字参数：

• loss_function (Optional[str]) – 用于计算预测 Q 值与目标 Q 值之间的距离的距离函数。默认为 l2。

• delay_value (bool) – 是否将目标 Q 值网络与用于数据收集的 Q 值网络分开。默认值为 True。

• gamma (float, optional) – 折扣因子。默认值为 None。

• action_space – 环境的动作空间。如果为 None，则从值网络推断。默认值为 None。

• reduction (str, optional) – 指定要应用于输出的减少："none" | "mean" | "sum"。 "none"：不应用减少，"mean"：输出的总和将除以输出中的元素数量，"sum"：输出将被求和。默认值："mean"。

示例

>>> from torchrl.modules import MLP, QValueActor
>>> from torchrl.data import OneHotDiscreteTensorSpec
>>> from torchrl.objectives import DiscreteCQLLoss
>>> n_obs, n_act = 4, 3
>>> value_net = MLP(in_features=n_obs, out_features=n_act)
>>> spec = OneHotDiscreteTensorSpec(n_act)
>>> actor = QValueActor(value_net, in_keys=["observation"], action_space=spec)
>>> loss = DiscreteCQLLoss(actor, action_space=spec)
>>> batch = [10,]
>>> data = TensorDict({
...     "observation": torch.randn(*batch, n_obs),
...     "action": spec.rand(batch),
...     ("next", "observation"): torch.randn(*batch, n_obs),
...     ("next", "done"): torch.zeros(*batch, 1, dtype=torch.bool),
...     ("next", "terminated"): torch.zeros(*batch, 1, dtype=torch.bool),
...     ("next", "reward"): torch.randn(*batch, 1)
... }, batch)
>>> loss(data)
TensorDict(
    fields={
        loss_cql: Tensor(shape=torch.Size([]), device=cpu, dtype=torch.float32, is_shared=False),
        loss_qvalue: Tensor(shape=torch.Size([]), device=cpu, dtype=torch.float32, is_shared=False),
        pred_value: Tensor(shape=torch.Size([]), device=cpu, dtype=torch.float32, is_shared=False),
        target_value: Tensor(shape=torch.Size([]), device=cpu, dtype=torch.float32, is_shared=False),
        td_error: Tensor(shape=torch.Size([1]), device=cpu, dtype=torch.float32, is_shared=False)},
    batch_size=torch.Size([]),
    device=None,
    is_shared=False)

此类也与非 tensordict 驱动的模块兼容，并且无需依赖任何与 tensordict 相关的基元即可使用。在这种情况下，预期关键字参数是：["observation", "next_observation", "action", "next_reward", "next_done", "next_terminated"]，并返回单个损失值。

示例

>>> from torchrl.objectives import DiscreteCQLLoss
>>> from torchrl.data import OneHotDiscreteTensorSpec
>>> from torch import nn
>>> import torch
>>> n_obs = 3
>>> n_action = 4
>>> action_spec = OneHotDiscreteTensorSpec(n_action)
>>> value_network = nn.Linear(n_obs, n_action) # a simple value model
>>> dcql_loss = DiscreteCQLLoss(value_network, action_space=action_spec)
>>> # define data
>>> observation = torch.randn(n_obs)
>>> next_observation = torch.randn(n_obs)
>>> action = action_spec.rand()
>>> next_reward = torch.randn(1)
>>> next_done = torch.zeros(1, dtype=torch.bool)
>>> next_terminated = torch.zeros(1, dtype=torch.bool)
>>> loss_val = dcql_loss(
...     observation=observation,
...     next_observation=next_observation,
...     next_reward=next_reward,
...     next_done=next_done,
...     next_terminated=next_terminated,
...     action=action)

forward(tensordict: TensorDictBase) → TensorDict

计算给定从重放缓冲区采样的 tensordict 的 (DQN) CQL 损失。

此函数还将写入一个“td_error”键，可由优先重放缓冲区用于为 tensordict 中的项目分配

优先级。

参数：

tensordict (TensorDictBase) – 包含键 [“action”] 以及值网络的 in_keys（观察结果，“done”，“terminated”，“reward” 在“next” tensordict 中）的 tensordict。

返回值：

包含 CQL 损失的张量。

make_value_estimator(value_type: Optional[ValueEstimators] = None, **hyperparams)

值函数构造函数。

如果需要非默认值函数，则必须使用此方法构建。

参数：

• value_type (ValueEstimators) – 一个 ValueEstimators 枚举类型，指示要使用的值函数。如果没有提供，将使用 default_value_estimator 属性中存储的默认值。生成的估值器类将在 self.value_type 中注册，允许将来进行改进。

• **hyperparams – 用于值函数的超参数。如果没有提供，将使用 default_value_kwargs() 中指示的值。

示例

>>> from torchrl.objectives import DQNLoss
>>> # initialize the DQN loss
>>> actor = torch.nn.Linear(3, 4)
>>> dqn_loss = DQNLoss(actor, action_space="one-hot")
>>> # updating the parameters of the default value estimator
>>> dqn_loss.make_value_estimator(gamma=0.9)
>>> dqn_loss.make_value_estimator(
...     ValueEstimators.TD1,
...     gamma=0.9)
>>> # if we want to change the gamma value
>>> dqn_loss.make_value_estimator(dqn_loss.value_type, gamma=0.9)